العربية
English
Français
Deutsch
हिन्दी
Português
Русский
Español
TürkçeThe short answer
يعني استخدام الذكاء الاصطناعي لاكتشاف الأدوية في عام 2026 تطبيق التعلم الآلي عبر سير عمل من ست خطوات: تحديد الهدف، الفحص الافتراضي وتوليد الجزيئات، التنبؤ بخصائص ADMET، تحسين المركب الرائد، تخطيط التخليق، والامتثال التنظيمي. تستخدم هذه العملية منصات ذكاء اصطناعي محددة في كل مرحلة لتحليل البيانات، والتنبؤ بالنتائج، وتصميم جزيئات جديدة.
أصبح الذكاء الاصطناعي الآن أداة قياسية في البحث والتطوير الصيدلاني والتقني الحيوي، ولكنه ليس حلاً سحريًا واحدًا. إنه مجموعة من التقنيات الحسابية المطبقة في مراحل متميزة من عملية طرح دواء جديد في السوق، وهي عملية طويلة ومكلفة وعرضة للفشل. بالنسبة للباحثين العاملين، المفتاح هو معرفة نوع الذكاء الاصطناعي الذي يجب استخدامه لأي مهمة. يقدم هذا الدليل سير العمل العملي، خطوة بخطوة، المستخدم في الصناعة اعتبارًا من سبتمبر 2026، مع ذكر البرامج والعمليات المتضمنة.
هذا السير العملي هو الكيفية التي يدمج بها الباحثون في مختبرات الابتكار الصيدلاني والتقني الحيوي الرائدة الذكاء الاصطناعي في عملهم اليومي. تراجع ZEKAI جميع الأدوات بشكل مستقل؛ وتستند توصياتنا إلى البيانات المتاحة للجمهور وتحليلنا للسوق الحالي.
Source: nature.com
يبلغ معدل نجاح التجارب السريرية للمرحلة الثانية للأدوية المكتشفة بالذكاء الاصطناعي حوالي 40%، وهو ما يتماشى مع المتوسط التاريخي للصناعة. بينما حسّن الذكاء الاصطناعي بشكل كبير معدلات نجاح سلامة المرحلة الأولى لتصل إلى 80-90%، فإنه لم يحل بعد التحدي الأكبر المتمثل في الفعالية السريرية.
سير عمل اكتشاف الأدوية بالذكاء الاصطناعي المكون من 6 خطوات
لا يحل الذكاء الاصطناعي محل المنهج العلمي؛ بل يسرعه ويحسنه. تستخدم برامج الاكتشاف الأكثر فعالية الذكاء الاصطناعي والتجارب المخبرية في حلقة تغذية راجعة مستمرة: يقترح الذكاء الاصطناعي الاحتمالات، وتتحقق التجارب منها، وتعمل البيانات الناتجة على تحسين الجيل التالي من النماذج.
فيما يلي العملية المكونة من ست خطوات، من الفرضية البيولوجية الأولية إلى التحضير للتقديم التنظيمي.
الخطوة 1: تحديد الهدف والتحقق منه
ما هي: الخطوة الأولى هي تحديد *العملية* البيولوجية المستهدفة. يتضمن ذلك تحديد بروتين أو جين أو مسار يلعب دورًا سببيًا في مرض ما ويكون “قابلاً للاستهداف الدوائي” (druggable) — مما يعني أن جزيئًا صغيرًا أو مستحضرًا بيولوجيًا يمكنه تعديل نشاطه بأمان.
كيف يساعد الذكاء الاصطناعي: كانت هذه المرحلة تعتمد تقليديًا على سنوات من البحث الأكاديمي. اليوم، تعمل منصات الذكاء الاصطناعي كمحركات معرفية قوية. فهي تستوعب وتربط مجموعات بيانات ضخمة ومتباينة — مثل الجينوميات، والبروتيوميات، والبيانات السريرية، وملايين الأوراق العلمية — للكشف عن روابط جديدة بين الجينات والأمراض.
- رسوم المعرفة البيانية (Knowledge Graphs): منصات مثل BenevolentAI و PandaOmics من Insilico Medicine تبني شبكات واسعة من العلاقات البيولوجية لاقتراح أهداف جديدة قد يغفلها الباحثون البشريون.
- تحليل الأدبيات: تقوم نماذج معالجة اللغة الطبيعية (NLP) بفرز ملايين المنشورات للعثور على أدلة داعمة أو متضاربة لهدف محتمل، مما يوفر آلاف ساعات البحث.
- تحليل الأوميكس (Omics Analysis): تحلل نماذج التعلم الآلي بيانات الجينوم والبروتيوم من مجموعات المرضى للعثور على ارتباطات ذات دلالة إحصائية بين علامات بيولوجية محددة وحالات المرض.
ناتج هذه الخطوة ليس دواءً؛ بل هو فرضية عالية التحقق مع أساس منطقي بيولوجي قوي ومدعوم بالبيانات.
الخطوة 2: الفحص الافتراضي وتوليد الجزيئات الجديدة
ما هي: بمجرد اختيار الهدف، يبدأ البحث عن “مركب فعال” (hit). تاريخيًا، تضمن ذلك الفحص عالي الإنتاجية (HTS)، حيث تختبر الروبوتات فعليًا ملايين المركبات من مكتبة كيميائية ضد البروتين المستهدف. هذه العملية بطيئة ومكلفة ومحدودة بمحتويات المكتبة.
كيف يساعد الذكاء الاصطناعي: يقدم الذكاء الاصطناعي مقاربتين أسرع وأرخص وأكثر شمولاً.
- الفحص الافتراضي عالي الإنتاجية (vHTS): بدلاً من الفحص الفيزيائي، تتنبأ نماذج الذكاء الاصطناعي بمدى جودة ارتباط مليارات المركبات الرقمية بالهدف. تستخدم منصات مثل Atomwise التعلم العميق لفحص مكتبات افتراضية ضخمة (تحتوي على جزيئات أكثر مما هو موجود على الأرض) في أيام، وليس أشهر، لتحديد مجموعة أصغر وأكثر واعدة من المرشحات للتخليق.
- التصميم الجديد (التوليدي) (De Novo (Generative) Design): هنا يبرز الذكاء الاصطناعي التوليدي. فبدلاً من مجرد فحص الجزيئات الموجودة، تصمم هذه المنصات جزيئات جديدة تمامًا من الصفر، محسّنة للهيكل ثلاثي الأبعاد المحدد للهدف والخصائص المرغوبة. يتيح ذلك للباحثين استكشاف مساحات كيميائية جديدة تتجاوز المكتبات الموجودة.
| Tool / Platform | Primary AI Method | Key Function | Typical Use Case |
|---|---|---|---|
| Schrödinger | Physics-based simulation + ML | التصميم المعتمد على الهيكل، الإرساء، اضطراب الطاقة الحرة (FEP) | التنبؤ الدقيق بتقارب الارتباط وتحسين المركبات الرائدة. |
| Genesis Therapeutics | Generative AI & 3D-aware ML | تصميم جزيئات صغيرة جديدة قوية وانتقائية. | إنشاء مرشحات دوائية جديدة لأهداف البروتين الصعبة. |
| Iktos | Deep Generative Models | تصميم جديد مع التركيز على التحسين متعدد المعايير (MPO). | تصميم جزيئات جديدة تلبي في نفس الوقت معايير متعددة للمشروع (مثل: الفعالية، الذوبانية، قابلية التخليق). |
| Atomwise | Convolutional Neural Networks (CNNs) | الفحص الافتراضي على نطاق واسع للغاية. | تحديد المركبات الفعالة بسرعة من مكتبات تحتوي على مليارات الجزيئات. |
| PostEra | Generative AI + Synthesis AI | الكيمياء التوليدية مقترنة بالتعلم الآلي للتخليق العكسي. | تصميم جزيئات جديدة سهلة التخليق في المختبر أيضًا. |
Swipe the table sideways →
Genesis Therapeutics
رائد في الجمع بين الفيزياء والتعلم العميق لتصميم جزيئات صغيرة جديدة تستهدف أهدافًا صعبة.
رائد في الجمع بين الفيزياء والتعلم العميق لتصميم جزيئات صغيرة جديدة تستهدف أهدافًا صعبة.
تم تصميم منصة Genesis GEMS لإنشاء مرشحات دوائية عالية الانتقائية عن طريق نمذجة التفاعلات الجزيئية بدقة عالية. وهذا يجعلها مناسبة تمامًا لمعالجة أهداف البروتين التي كانت تعتبر “غير قابلة للاستهداف الدوائي” بالطرق التقليدية. ومع ذلك، فإن خدماتها متاحة فقط من خلال شراكات على مستوى الشركات الكبيرة، مما يجعلها غير متاحة للمختبرات الأكاديمية أو الشركات الناشئة الصغيرة التي تفتقر إلى تمويل كبير.
- Price from
- Partnership/Enterprise only
- Free tier
- None
الخطوة 3: التنبؤ بخصائص ADMET والسمية
ما هي: الجزيء الذي يرتبط تمامًا بهدفه لا قيمة له إذا كان سامًا، أو لا يمكن امتصاصه من قبل الجسم، أو يتم استقلابه على الفور. يشير ADMET إلى الامتصاص (Absorption)، التوزيع (Distribution)، الأيض (Metabolism)، الإخراج (Excretion)، والسمية (Toxicity) — وهي الخصائص الرئيسية التي تحدد ما إذا كان المركب يمكن أن يصبح دواءً.
كيف يساعد الذكاء الاصطناعي: يعد التنبؤ بخصائص ADMET مبكرًا أحد أهم مساهمات الذكاء الاصطناعي. تاريخيًا، كانت مشكلات ADMET سببًا رئيسيًا للفشل في المراحل المتأخرة، بعد إنفاق مئات الملايين من الدولارات.
تحلل نماذج الذكاء الاصطناعي بيانات الجينوم والبروتيوم من مجموعات المرضى للعثور على ارتباطات ذات دلالة إحصائية بين علامات بيولوجية محددة وحالات المرض.
- الفرز المبكر: استبعاد المركبات ذات الاحتمالية العالية للسمية أو ضعف الحرائك الدوائية (PK) في مرحلة التصميم.
- التحسين من أجل السلامة: استخدام النماذج التوليدية لتعديل مركب واعد، وتحسين ملف السلامة الخاص به مع الحفاظ على الفعالية.
- تقليل التجارب على الحيوانات: من خلال تحديد الفشل المحتمل حسابيًا، يقلل الذكاء الاصطناعي عدد المركبات التي تحتاج إلى التقدم إلى الدراسات الحيوانية قبل السريرية.
بينما لا يوجد نموذج مثالي، فإن التنبؤ بخصائص ADMET المدفوع بالذكاء الاصطناعي يحسن بشكل كبير جودة المرشحات التي تتقدم، وهو سبب رئيسي وراء إظهار الأدوية المكتشفة بالذكاء الاصطناعي معدلات نجاح تتراوح بين 80-90% في تجارب السلامة للمرحلة الأولى.
الخطوة 4: تحسين المركب الرائد
ما هي: المركبات “الفعالة” (hit) من الخطوة 2 نادرًا ما تكون مثالية. تحسين المركب الرائد هو دورة تكرارية يقوم فيها الكيميائيون بتخليق واختبار عشرات الاختلافات لجزيء واعد لتحسين خصائصه — زيادة الفعالية، تحسين الانتقائية، وتعديل ملف ADMET الخاص به.
كيف يساعد الذكاء الاصطناعي: يتم تسريع دورة “التصميم-التصنيع-الاختبار-التحليل” هذه بشكل كبير بواسطة الذكاء الاصطناعي.
- التحسين متعدد المعايير (MPO): يمكن للمنصات التوليدية مثل Iktos أن تأخذ مركبًا رائدًا وتقترح تعديلات تحسن خصائص متعددة في وقت واحد، متجاوزة المقايضات المعقدة التي تتحدى الكيميائيين الطبيين.
- التوجيه التنبؤي: بدلاً من الاعتماد فقط على الحدس الكيميائي، يستخدم الكيميائيون تنبؤات الذكاء الاصطناعي لتحديد التعديلات الأكثر احتمالاً للنجاح، مع تركيز موارد المختبر على أفضل الرهانات.
- إدارة البيانات: تساعد منصات مثل Convexia في إدارة الكم الهائل من البيانات المتولدة خلال هذه الدورة التكرارية. من خلال هيكلة البيانات من تجارب مختلفة (مثل: فحوصات الفعالية، اختبارات الذوبانية)، فإنها تنشئ مجموعات البيانات عالية الجودة اللازمة لتدريب نماذج تنبؤية أكثر دقة للدورة التالية.
هذه الحلقة بين المختبر الرطب والمختبر الجاف، حيث توجه التنبؤات الحسابية العمل المخبري وتعمل النتائج المخبرية على تحسين النماذج، هي جوهر اكتشاف الأدوية الحديث المدفوع بالذكاء الاصطناعي.
الخطوة 5: تخطيط التخليق (التخليق العكسي)
ما هي: الجزيء المصمم بشكل جميل لا قيمة له إذا لم يتمكن الكيميائيون من معرفة كيفية صنعه. التخليق العكسي هو عملية العمل عكسيًا من جزيء نهائي لتحديد مسار تفاعل كيميائي ممكن خطوة بخطوة.
كيف يساعد الذكاء الاصطناعي: تحلل أدوات التخليق العكسي المدعومة بالذكاء الاصطناعي جزيئًا مستهدفًا وتقترح خطة تخليق، غالبًا في دقائق. يتم تدريب منصات مثل Manifold من PostEra و Spaya من Iktos على ملايين التفاعلات الكيميائية المنشورة. يمكنها:
- تحديد مسارات التفاعل المعروفة.
- التنبؤ باحتمالية نجاح التفاعل.
- اقتراح طرق بديلة لتجنب الخطوات المكلفة أو ذات العائد المنخفض.
هذه القدرة حاسمة للذكاء الاصطناعي التوليدي. من خلال دمج درجة قابلية التخليق مباشرة في عملية التصميم، تتجنب هذه المنصات إنشاء “جزيئات خيالية” يستحيل إنتاجها، مما يضمن أن الإبداع الحسابي يستند إلى الكيمياء الواقعية.
الخطوة 6: نقاط التفتيش التنظيمية والامتثال
ما هي: يعمل تطوير الأدوية تحت إشراف تنظيمي صارم، بشكل أساسي من وكالات مثل إدارة الغذاء والدواء الأمريكية (FDA). يجب أن تكون جميع البيانات المقدمة لدعم طلب دواء جديد جديرة بالثقة وموثوقة وقابلة للتدقيق.
كيف يساعد الذكاء الاصطناعي: لا يُعفى الذكاء الاصطناعي من المتطلبات التنظيمية. يثير استخدامه في بيئات الممارسات الجيدة (GxP) تحديات امتثال جديدة، خاصة فيما يتعلق بسلامة البيانات والتحقق من صحة النموذج.
- مسارات التدقيق (21 CFR Part 11): يجب أن يمتثل أي نظام ذكاء اصطناعي ينشئ أو يعدل سجلًا مستخدمًا في تقديم تنظيمي لـ 21 CFR Part 11. وهذا يعني أن النظام يجب أن يحتوي على مسارات تدقيق آمنة، يتم إنشاؤها بواسطة الكمبيوتر، ومختومة بالوقت، توثق كل إجراء. بالنسبة للذكاء الاصطناعي، يجب أن يشمل ذلك ليس فقط إجراء المستخدم، ولكن أيضًا إصدار النموذج المستخدم، وبيانات الإدخال، والمخرجات الخام قبل المراجعة البشرية.
- تطوير الأدوية المستنير بالنموذج (MIDD): تشجع إدارة الغذاء والدواء بنشاط استخدام النماذج الحسابية من خلال برنامجها لتطوير الأدوية المستنير بالنموذج (MIDD). يوفر هذا الإطار مسارًا للجهات الراعية لمناقشة والحصول على ملاحظات حول استخدامها لنماذج الذكاء الاصطناعي/التعلم الآلي في التقديمات التنظيمية، مع اعتبار مخرجات النموذج مصدرًا صالحًا للأدلة عند التحقق من صحتها بشكل صحيح.
- خطة عمل الذكاء الاصطناعي/التعلم الآلي: تحدد خطة عمل الذكاء الاصطناعي/التعلم الآلي لإدارة الغذاء والدواء نهجها لتنظيم خوارزميات “التعلم” التكيفية، بما في ذلك مفهوم “خطة التحكم في التغيير المحددة مسبقًا”، حيث يمكن للمصنعين تحديد مسبقًا كيفية تطور نموذجهم بعد الموافقة دون الحاجة إلى تقديم جديد لكل تحديث.
بالنسبة للباحثين، يعني هذا توثيق “سياق الاستخدام” لكل أداة ذكاء اصطناعي: ما السؤال الذي استخدمت للإجابة عليه، وما البيانات التي تدربت عليها، وكيف تم التحقق من صحتها، وكيف تتم مراجعة وتسجيل مخرجاتها؟
المزالق والقيود الشائعة
الذكاء الاصطناعي أداة قوية، لكنه ليس حلاً سحريًا. غالبًا ما لا تكون العوائق الرئيسية هي الخوارزميات، بل البيانات.
- جودة البيانات: نماذج الذكاء الاصطناعي جيدة بقدر جودة البيانات التي تدربت عليها. تؤدي البيانات التجريبية الصاخبة أو المتفرقة أو سيئة الهيكلة إلى تنبؤات غير موثوقة.
- مشكلة “الوكيل” (Proxy): معظم الاختبارات المعملية (الوكلاء) هي بدائل غير كاملة لما يحدث في جسم الإنسان. يمكن تحسين نموذج الذكاء الاصطناعي بشكل مثالي لنقطة نهاية وكيلة معيبة، مما يؤدي إلى مركب يعمل في طبق المختبر ولكنه يفشل في المريض.
- قابلية التفسير: العديد من نماذج التعلم العميق هي “صناديق سوداء”، مما يجعل من الصعب فهم *لماذا* قامت بتنبؤ معين. هذا يمكن أن يجعل من الصعب على العلماء الوثوق بالمخرجات وبناء فرضيات جديدة.
- عنق الزجاجة للفعالية: بينما أثبت الذكاء الاصطناعي فعاليته في تصميم جزيئات آمنة (اجتياز المرحلة الأولى)، فإنه لم يحسن بعد بشكل كبير معدل الفشل في المرحلة الثانية، وهي المرحلة التي يتم فيها اختبار الأدوية للفعالية. يظل هذا هو التحدي الرئيسي للصناعة.
يعتمد مستقبل الذكاء الاصطناعي في اكتشاف الأدوية على توليد بيانات بيولوجية ذات جودة أعلى وأكثر صلة، وبناء نماذج أكثر قابلية للتفسير للعلماء البشريين الذين يجب عليهم اتخاذ القرارات في النهاية. بصفتنا محترفين في البحث والتطوير الصيدلاني والتقني الحيوي، فإن فهم قوة هذه الأدوات وحدودها أمر ضروري.
ما هو معدل نجاح اكتشاف الأدوية بالذكاء الاصطناعي؟
نعم. اعتبارًا من سبتمبر 2026، تظهر الأدوية المكتشفة بالذكاء الاصطناعي معدل نجاح يتراوح بين 80-90% في تجارب السلامة للمرحلة الأولى، وهو أعلى بكثير من المتوسط التاريخي. ومع ذلك، فإن معدل نجاحها في تجارب الفعالية للمرحلة الثانية يبلغ حوالي 40%، وهو ما يضاهي الأدوية المكتشفة بالطرق التقليدية، مما يشير إلى أن التنبؤ بالفعالية السريرية لا يزال التحدي الرئيسي.
إلى أي مدى يقلل الذكاء الاصطناعي من وقت اكتشاف الأدوية؟
نعم، يمكن للذكاء الاصطناعي أن يقلل بشكل كبير من المراحل المبكرة وما قبل السريرية لاكتشاف الأدوية. على سبيل المثال، انتقلت بعض المنصات من هدف جديد إلى مرشح للمرحلة الأولى في أقل من 18-30 شهرًا، وهي عملية تستغرق تقليديًا ما يصل إلى ست سنوات. يأتي هذا التسريع من استبدال الفحص الفيزيائي البطيء بالفحص الافتراضي السريع والتصميم التوليدي.
هل يمكن للذكاء الاصطناعي اكتشاف أدوية جديدة بمفرده؟
لا. الذكاء الاصطناعي هو أداة تساعد العلماء البشريين؛ إنه لا يعمل بشكل مستقل. تتضمن سير العمل الأكثر فعالية حلقة محكمة حيث يقترح الذكاء الاصطناعي الفرضيات والمرشحات الجزيئية، ولكن الباحثين البشريين يجرون التجارب للتحقق من صحة تلك الأفكار. ثم تُستخدم البيانات التجريبية لتحسين نماذج الذكاء الاصطناعي للدورة التالية.
ما هو أول دواء اكتشفه الذكاء الاصطناعي يصل إلى مراحل متأخرة من التجارب؟
إنه Rentosertib، من Insilico Medicine، وهو مثال بارز. كان أول دواء له هدف اكتشفه الذكاء الاصطناعي (TNIK) وهيكل جزيئي مولّد بالذكاء الاصطناعي يكمل تجربة المرحلة الثانية (أ) بنتائج إيجابية، نُشرت في *Nature Medicine* في يونيو 2025. بدأت Insilico تجربة المرحلة الثالثة للدواء في يوليو 2026.
هل أدوات اكتشاف الأدوية بالذكاء الاصطناعي مجانية؟
لا، الغالبية العظمى ليست كذلك. معظم المنصات المتقدمة مثل Schrödinger و Genesis Therapeutics و Iktos هي برامج على مستوى الشركات الكبيرة متاحة فقط من خلال تراخيص باهظة الثمن أو شراكات مؤسسية. قد تقدم بعض الشركات تراخيص أكاديمية محدودة، وتوجد أدوات مفتوحة المصدر مثل DeepChem و RDKit للباحثين ذوي مهارات البرمجة.
كيف تنظم إدارة الغذاء والدواء الذكاء الاصطناعي في تطوير الأدوية؟
إنها تنظم الذكاء الاصطناعي من خلال الأطر الحالية والتوجيهات الجديدة المتطورة. تشمل العناصر الرئيسية خطة عمل الذكاء الاصطناعي/التعلم الآلي، التي تتناول خوارزميات التعلم، وبرنامج تطوير الأدوية المستنير بالنموذج (MIDD)، الذي يوفر مسارًا لاستخدام النماذج الحسابية كدليل. المتطلب الأساسي هو الالتزام بـ 21 CFR Part 11 لسلامة البيانات ومسارات التدقيق.
إلى أين بعد ذلك
ثلاثة مسارات، مختارة بناءً على ما قرأته للتو.
المصادر (50)
- https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices
- https://www.insilico.com/news/insilico-announces-nature-medicine-publication-of-phase-iia-results-of-rentosertib
- https://www.fda.gov/drugs/research-resources-drugs/model-informed-drug-development-paired-meeting-program
- https://www.ddw-online.com/insilicos-rentosertib-clears-a-phase-2a-hurdle-23377-202506/
- https://www.insilico.com/news/insilico-initiates-phase-iii-clinical-trial-for-rentosertib-its-ai-empowered-tnik-inhibitor-for-idiopathic-pulmonary-fibrosis
- https://www.fda.gov/science-research/science-and-research-special-topics/advancing-regulatory-science-cder/focus-area-model-informed-product-development
- https://intuition-labs.com/p/21-cfr-part-11-compliance-for-ai-systems-a-guide
- https://www.ropesgray.com/en/insights/alerts/2021/02/fda-publishes-action-plan-for-oversight-of-artificial-intelligence-machine-learning-based
- https://www.2minutemedicine.com/artificial-intelligence-designed-drugs-hit-90-phase-i-success-rate-in-trials/
- https://www.fda.gov/media/145022/download
- https://www.usdm.com/blog/21-cfr-part-11-compliance/
- https://www.labmanager.com/data-integrity-and-21-cfr-part-11-compliance/audit-trail-requirements-for-ai-assisted-laboratory-systems-31602
- https://www.certara.com/services/model-informed-drug-development-solutions/
- https://www.prnewswire.com/news-releases/insilico-medicine-announces-nature-medicine-publication-of-phase-iia-results-evaluating-rentosertib-the-novel-tnik-inhibitor-for-idiopathic-pulmonary-fibrosis-ipf-discovered-and-designed-with-a-pioneering-ai-approach-302161748.html
- https://www.fda.gov/medical-devices/digital-health-center-excellence/artificial-intelligence-software-medical-device
- https://www.jdsupra.com/legalnews/the-fda-ai-ml-samd-framework-what-6060481/
- https://www.certara.com/blog/how-the-us-fda-midd-paired-pilot-program-helps-sponsors/
- https://www.ctifacts.com/news/utilizing-model-informed-drug-development-to-improve-program-efficiency
- https://intuition-labs.com/p/ins018_055-phase-iia-results-first-ai-designed-drug
- https://intuition-labs.com/p/ai-drug-discovery-fda-approvals-the-2026-reality-check
- https://www.drugdiscoverynews.com/the-2026-ai-power-shift-15509
- https://www.aifor.business/p/ai-discovered-drugs-2026
- https://csdd.tufts.edu/research-milestones
- https://montel.com/resources/blog/what-is-21-cfr-part-11-and-how-does-it-apply-to-ai-systems-in-the-lab
- https://jamanetwork.com/journals/jama-health-forum/fullarticle/2819890
- https://www.biospace.com/article/the-median-drug-development-cost-is-985-million-according-to-new-study/
- https://intuition-labs.com/p/clinical-trial-start-up-costs-a-breakdown-benchmarks
- https://csdd.tufts.edu/sites/g/files/lroszp1441/files/2023-11/Tufts%20CSDD%20Value%20of%20a%20Day%20White%20Paper%20-%20Final.pdf
- https://www.drugtargetreview.com/article/151121/ai-in-drug-discovery-predictions-for-2026/
- https://www.facebook.com/pharma.ai.community/posts/pfbid0q9Y43z4rT3R65e8L5p58GgqR6vWw5UjD9H35L67m7xLqG53U8UvQ3vC6P7z7C9Zl
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11293308/
- https://assyro.com/21-cfr-part-11-audit-trail-requirements
- https://www.softwareworld.co/schrodinger/
- https://chatomics.substack.com/p/has-ai-changed-the-course-of-drug
- https://www.capterra.co.uk/software/1020089/schrodinger
- https://execed.ie.edu/blog/insights/ai-for-drug-discovery-a-powerful-tool-but-not-a-single-solution/
- https://www.facebook.com/softarex/posts/pfbid0uE31uV4j5yUj51mJ8b19gJqKxT4T49zK2L1tL294vC3P67c8pG6p66z7L7j7P7Zl
- https://deepmirror.ai/blog/top-drug-discovery-software-solutions
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7932551/
- https://today.ucsd.edu/story/simulated-chemistry-new-ai-platform-designs-tomorrows-cancer-drugs
- https://npm.com/stock/genesis-therapeutics
- https://scivity.ai/landscape
- https://equityzen.com/company/genesis-therapeutics/
- https://sbgrid.org/software/title/schrodinger
- https://kb.scs.illinois.edu/SCS/page.php?id=104973
- https://www.ai-health-index.com/drug-discovery-landscape
- https://netguru.com/blog/generative-ai-startups
- https://www.pharmaceutical-technology.com/news/genesis-therapeutics-series-b/
- https://tracxn.com/d/companies/genesis-therapeutics/__3tC7Hk2rP7vT8Lw-277A
- https://www.businesswire.com/news/home/20230821503348/en/Genesis-Therapeutics-Closes-Oversubscribed-200-Million-Series-B
شاهد Zekai أولاً في جوجل
موجز الذكاء الاصطناعي الأسبوعي لمهنتك
بريد واحد أسبوعيًا: تغييرات الذكاء الاصطناعي التي تمسّ مهنتك فعلًا — أدوات وعروض وما يجب فعله.